图像增强算法小结（直方图、Gamma变换、CLAHE 和 Retinex）

最新推荐文章于 2024-07-30 15:08:31 发布

weixin_34137799

最新推荐文章于 2024-07-30 15:08:31 发布

阅读量4k

点赞数 2

文章标签： matlab 人工智能 python

原文链接：https://juejin.im/post/5b5988036fb9a04f8b7868c0

版权

本文总结了四种图像增强算法：直方图均衡化、Gamma变换、CLAHE（对比度受限的自适应直方图均衡化）和Retinex理论。通过Python与opencv库，对过曝医学图像进行处理，以揭示隐藏的细节信息。 Gamma变换用于调整对比度，Laplace变换用于边缘检测，CLAHE提供更好的对比度且保持细节，Retinex算法则适用于较暗图像，但可能产生光晕效应。

摘要由CSDN通过智能技术生成

这几天一直在做一个图像处理的任务，简单来说就是对一个过曝的图片进行处理，使得被亮光“遮盖”的一些细节信息显现出来。

注：我处理的是医学图像，所以某些细节问题可能不太一样(比如对RGB不考虑，全部转为灰度图)

环境：win10、python 3.6.6、Jupyter Notebook、opencv 3.4.2

一、直方图均衡化(Histogram Equalization)

一个很经典的算法就是利用直方图均衡化的方法。这个内容我在之前的一篇文章中有所提及。首先，直方图就是一种对图的像素强度分布的图形表达方式，它能直观地向我们展示一张图片的像素分布情况。

举一个例子：

经常地，在一张直方图中，可能会存在一个或多个尖峰，而尖峰的高度差非常大的情况。均衡化就是拉伸像素强度的分布范围，增强图像局部的对比度。

换句话说就是 将像素值重新分配。我们需要建立一个映射，将原图的像素分布映射到另一个分布上。而要实现均衡化，映射函数就应该是一个累积分布函数(CDF)

实际上我们不需要知道这个分布函数的内容到底是什么，因为opencv已经给我们封装处理好了。我直接说我的实验结果。

opencv和numpy各有各的实现方式，不过效果差不多。

1.opencv 实现

equ = cv2.equalizeHist(tmp)
复制代码

调用这个函数就行了，全都封装好了。

2.numpy 实现

这里我展示一下手动制作直方图的代码

img = cv2.imread("test.jpg",0)
cv2.normalize(img,img, 0, 255, cv2.NORM_MINMAX)
#归一化
lut = np.zeros(256, dtype = img.dtype )
#创建空的查找表  

hist,bins = np.histogram(img.flatten(),256,[0,256])
#计算原图的直方图

#计算累积直方图 
cdf = hist.cumsum()
cdf_m = np.ma.masked_equal(cdf,0) #除去直方图中的0值  
cdf_m = (cdf_m - cdf_m.min())*255/(cdf_m.max()-cdf_m.min())
#等同于公式lut[i] = int(255.0 *p[i]) 将像